Maschinelles Lernen von Aktionen

Inhaltlich unveranderte Neuauflage. Bei bestimmten Problemen mussen Aktionen in Abhangigkeit von der aktu­ellen Situation ausgewahlt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Losungsweg vorgegeben. Er erhalt lediglich Belohnungs- oder Bestrafungs­signale. Bei komplexeren Problemen ist die Anzahl der moglichen Situationen jedoch so gros, dass uber verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden mussen. Da sich die zu appro­ximierenden Funktionen wahrend des Lernprozesses verandern, ist es wunschenswert, den Approximator moglichst adaptiv zu gestalten. Das vor­lie­gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln uber Reinforcement Learning und selbstorganisierende Karten auch inte­res­sierte Neulinge an.